論文の概要: Developing a Machine Learning-Based Clinical Decision Support Tool for
Uterine Tumor Imaging
- arxiv url: http://arxiv.org/abs/2308.10372v1
- Date: Sun, 20 Aug 2023 21:46:05 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-22 15:49:13.049429
- Title: Developing a Machine Learning-Based Clinical Decision Support Tool for
Uterine Tumor Imaging
- Title(参考訳): 子宮腫瘍イメージングのための機械学習に基づく臨床診断支援ツールの開発
- Authors: Darryl E. Wright, Adriana V. Gregory, Deema Anaam, Sepideh Yadollahi,
Sumana Ramanathan, Kafayat A. Oyemade, Reem Alsibai, Heather Holmes, Harrison
Gottlich, Cherie-Akilah G. Browne, Sarah L. Cohen Rassier, Isabel Green,
Elizabeth A. Stewart, Hiroaki Takahashi, Bohyun Kim, Shannon
Laughlin-Tommaso, Timothy L. Kline
- Abstract要約: 子宮平滑筋肉腫 (LMS) は稀ながら積極的な悪性腫瘍である。
遺伝性平滑筋腫(LM)とLMSを区別することは困難である。
UT症例110例のT2強調画像115例に5種類の腫瘍を認めた。
nnU-Netを適用し,25,45,65,85のトレーニングセット画像をランダムに生成することにより,トレーニングセットサイズがパフォーマンスに与える影響を検討した。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Uterine leiomyosarcoma (LMS) is a rare but aggressive malignancy. On imaging,
it is difficult to differentiate LMS from, for example, degenerated leiomyoma
(LM), a prevalent but benign condition. We curated a data set of 115 axial
T2-weighted MRI images from 110 patients (mean [range] age=45 [17-81] years)
with UTs that included five different tumor types. These data were randomly
split stratifying on tumor volume into training (n=85) and test sets (n=30). An
independent second reader (reader 2) provided manual segmentations for all test
set images. To automate segmentation, we applied nnU-Net and explored the
effect of training set size on performance by randomly generating subsets with
25, 45, 65 and 85 training set images. We evaluated the ability of radiomic
features to distinguish between types of UT individually and when combined
through feature selection and machine learning. Using the entire training set
the mean [95% CI] fibroid DSC was measured as 0.87 [0.59-1.00] and the
agreement between the two readers was 0.89 [0.77-1.0] on the test set. When
classifying degenerated LM from LMS we achieve a test set F1-score of 0.80.
Classifying UTs based on radiomic features we identify classifiers achieving
F1-scores of 0.53 [0.45, 0.61] and 0.80 [0.80, 0.80] on the test set for the
benign versus malignant, and degenerated LM versus LMS tasks. We show that it
is possible to develop an automated method for 3D segmentation of the uterus
and UT that is close to human-level performance with fewer than 150 annotated
images. For distinguishing UT types, while we train models that merit further
investigation with additional data, reliable automatic differentiation of UTs
remains a challenge.
- Abstract(参考訳): 子宮平滑筋肉腫 (LMS) は稀ながら積極的な悪性腫瘍である。
画像上, LMSは, 有意だが良性である変性平滑筋腫 (LM) と区別することは困難である。
110例 (平均年齢45 [17-81]歳) から115 軸性t2強調mri画像と5種類の腫瘍型を含むutsを検索した。
これらのデータはランダムに腫瘍体積の層序をトレーニング(n=85)とテストセット(n=30)に分割した。
独立した第2のリーダ(リーダ2)は、すべてのテストセットイメージに対して手動セグメンテーションを提供する。
セグメント化を自動化するために, nnU-Netを適用し, 25, 45, 65, 85のトレーニングセットイメージをランダムに生成することで, トレーニングセットサイズがパフォーマンスに与える影響を検討した。
特徴選択と機械学習を併用し,UTの種類を個別に識別する放射能特性の評価を行った。
トレーニングセット全体を用いて, 平均[95% CI]繊維状DSCを0.87[0.59-1.00]と測定し, 両読者間の合意は0.89[0.77-1.0]とした。
LMSからデジェネレーションLMを分類すると、テストセットF1スコアが0.80となる。
放射線学的特徴に基づく分類では,良性と悪性の検査セットで0.53 [0.45, 0.61] と 0.80 [0.80, 0.80] の分類子を識別し,lm と lms のタスクを分解する。
本稿では,150点未満のアノテート画像でヒトに近い子宮とUTの3次元セグメンテーションの自動化手法を開発することができることを示す。
UT型を識別するためには、追加データによるさらなる調査に役立つモデルをトレーニングする一方で、UTの信頼性の高い自動微分が課題である。
関連論文リスト
- Brain Tumor Classification on MRI in Light of Molecular Markers [61.77272414423481]
1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。
本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
論文 参考訳(メタデータ) (2024-09-29T07:04:26Z) - TotalSegmentator MRI: Sequence-Independent Segmentation of 59 Anatomical Structures in MR images [62.53931644063323]
本研究では,TotalSegmentatorをMR画像に拡張した。
このデータセットに基づいてnnU-Netセグメンテーションアルゴリズムを訓練し、類似度係数(Dice)を計算し、モデルの性能を評価した。
このモデルは、他の2つの公開セグメンテーションモデル(Dice score 0.824 vs 0.762; p0.001 and 0.762 versus 0.542; p)を大きく上回った。
論文 参考訳(メタデータ) (2024-05-29T20:15:54Z) - Quantifying uncertainty in lung cancer segmentation with foundation models applied to mixed-domain datasets [6.712251433139412]
医用画像基盤モデルは、極小調整で臓器や腫瘍を分割する能力を示している。
これらのモデルは通常、タスク固有の分散(ID)データセットで評価される。
我々は、自己教師付き学習(SSL)で訓練された複数の基礎モデルの性能を評価するために、計算的に高速なメトリクスの包括的セットを導入した。
SMITは高いF1スコア(LRAD: 0.60, 5Rater: 0.64)と低いエントロピー(LRAD: 0.06, 5Rater: 0.12)を生成し、腫瘍検出率と確実なセグメンテーションを示した。
論文 参考訳(メタデータ) (2024-03-19T19:36:48Z) - Training and Comparison of nnU-Net and DeepMedic Methods for
Autosegmentation of Pediatric Brain Tumors [0.08519384144663283]
ディープラーニングに基づく2つの3DセグメンテーションモデルであるDeepMedicとnnU-Netを比較した。
小児特異的に訓練されたnnU-Netモデルは、小児脳腫瘍の全腫瘍および亜領域のセグメンテーションにおいてDeepMedicよりも優れている。
論文 参考訳(メタデータ) (2024-01-16T14:44:06Z) - Self-supervised contrastive learning of echocardiogram videos enables
label-efficient cardiac disease diagnosis [48.64462717254158]
心エコービデオを用いた自己教師型コントラスト学習手法であるエコーCLRを開発した。
左室肥大症 (LVH) と大動脈狭窄症 (AS) の分類成績は,EchoCLR の訓練により有意に改善した。
EchoCLRは、医療ビデオの表現を学習する能力に特有であり、SSLがラベル付きデータセットからラベル効率の高い疾患分類を可能にすることを実証している。
論文 参考訳(メタデータ) (2022-07-23T19:17:26Z) - Automated SSIM Regression for Detection and Quantification of Motion
Artefacts in Brain MR Images [54.739076152240024]
磁気共鳴脳画像における運動アーチファクトは重要な問題である。
MR画像の画質評価は,臨床診断に先立って基本的である。
構造類似度指数(SSIM)回帰に基づく自動画像品質評価法が提案されている。
論文 参考訳(メタデータ) (2022-06-14T10:16:54Z) - EMT-NET: Efficient multitask network for computer-aided diagnosis of
breast cancer [58.720142291102135]
乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。
腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。
腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
論文 参考訳(メタデータ) (2022-01-13T05:24:40Z) - Deep Learning for fully automatic detection, segmentation, and Gleason
Grade estimation of prostate cancer in multiparametric Magnetic Resonance
Images [0.731365367571807]
本稿では,PCa-suspect 患者から前立腺 mpMRI を抽出するDeep Learning に基づく完全自動システムを提案する。
PCaの病変を特定し、それらを分類し、最も可能性の高いGleason grade group(GGG)を予測する。
ProstateXトレーニングシステムのコードはhttps://github.com/OscarPellicer/prostate_lesion_detection.comで公開されている。
論文 参考訳(メタデータ) (2021-03-23T16:08:43Z) - Comparison of different CNNs for breast tumor classification from
ultrasound images [12.98780709853981]
超音波画像から良性腫瘍と悪性腫瘍を分類することは重要であるが困難な課題である。
乳腺腫瘍自動分類の課題として,様々な畳み込みニューラルネットワーク(cnns)と転送学習法を比較した。
最高の性能は、精度0.919とauc0.934のvgg-16の微調整によって得られた。
論文 参考訳(メタデータ) (2020-12-28T22:54:08Z) - Automatic classification of multiple catheters in neonatal radiographs
with deep learning [2.256008196530956]
新生児胸部および腹部X線写真上の複数のカテーテルを分類する深層学習アルゴリズムの開発と評価を行った。
畳み込みニューラルネットワーク(CNN)は,新生児胸部777例と腹部X線写真を用いて訓練した。
論文 参考訳(メタデータ) (2020-11-14T21:27:21Z) - Brain tumor segmentation with self-ensembled, deeply-supervised 3D U-net
neural networks: a BraTS 2020 challenge solution [56.17099252139182]
U-netのようなニューラルネットワークを用いた脳腫瘍セグメント化作業の自動化と標準化を行う。
2つの独立したモデルのアンサンブルが訓練され、それぞれが脳腫瘍のセグメンテーションマップを作成した。
我々の解は、最終試験データセットにおいて、Diceの0.79、0.89、0.84、およびHausdorffの95%の20.4、6.7、19.5mmを達成した。
論文 参考訳(メタデータ) (2020-10-30T14:36:10Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。